Le banc d'essai Flex-RSI teste la capacité des agents IA à améliorer leur propre harnais
L'article arXiv fait réviser le harnais de l'exécutant par un agent améliorateur sur des tâches de vision et de robotique ; le retour binaire freine les modèles ouverts.
Pourquoi c’est important
L'auto-amélioration récursive, où des systèmes d'IA améliorent les outils et l'échafaudage dans lesquels ils tournent, est l'une des pistes les plus suivies par les prévisionnistes, et peu de bancs d'essai la mesurent directement. Flex-RSI charge un agent améliorateur de réviser l'échafaudage d'un agent exécutant sur des tâches de vision et de robotique, puis note les gains. L'article montre qu'un retour binaire réussite-échec freine les modèles à poids ouverts. C'est une prépublication non relue. À suivre : les résultats des modèles fermés et des réplications.
Faits clés
- Un agent améliorateur révise l'échafaudage de l'exécutant
- Tâches : vision et robotique
- Le retour binaire freine les modèles ouverts
- Prépublication arXiv 2611.08946, non relue